Przełomowe badania naukowe i odkrycia w dziedzinie AI
Alexander Lerchner z Google DeepMind argumentuje, że modele AI tylko symulują świadomość, operując na wzorcach bez rzeczywistego doświadczenia.
Analiza 19 418 interakcji pokazuje, jak studenci wykorzystują AI podczas nauki programowania — najlepsi uczą się, najsłabsi delegują zadania.
Nowy framework TRUST osiąga 72,4% dokładności w audycie AI, przewyższając standardowe metody o 4–18 punktów procentowych przy zachowaniu odporności.
GPT-5.5 i Opus 4.7 osiągają poniżej 1% w teście ARC-AGI-3. Analiza 160 sesji ujawniła trzy wzorce błędów: brak spójnego modelu świata, fałszywe analogie i sukces bez zrozumienia.
Naukowcy z Ghany zastosowali K-means do analizy geologicznej morskiego basenu Keta, identyfikując 4 elektrofacje z dokładnością 0,50 w obszarach bez danych rdzeni.
Naukowcy opracowali wieloagentowy system AI osiągający 84,7% skuteczności w automatycznym generowaniu kompletnych pipeline'ów ML na podstawie danych i opisów.
Qiushi Discovery Engine przeprowadził pełny cykl badań naukowych i odkrył optyczną interakcję biliniową analogiczną do mechanizmu uwagi Transformerów.
Google Deepmind testuje AI ko-klinicystę, który wygrał z GPT-5.4 w ślepych testach lekarzy, ale wciąż ma lukę w wykrywaniu objawów alarmowych.
Badacze opracowali bayesowską metodologię migracji LLM, testowaną na systemie z 5,3M miesięcznych interakcji w sześciu regionach globalnych.
Badacze z CNRS wykorzystali modele przyczynowe i solvery logiczne do analizy binarnych sieci neuronowych kolcowych, osiągając lepsze wyniki niż SHAP.
Koreańscy badacze opracowali LAM-PINN — metodę meta-learningu, która osiąga 19,7-krotną redukcję błędów przy rozwiązywaniu równań różniczkowych.
Naukowcy opracowali Distill-Belief — system AI łączący dokładność inferencji bayesowskiej z wydajnością uczenia maszynowego dla robotów mobilnych.
